徑向基神經(jīng)網(wǎng)絡的智能學習算法及其在軟測量中的應用.pdf

1、在采用RBF神經(jīng)網(wǎng)絡來建立軟測量模型時，需要確定的參數(shù)比較多。為了能讓模型具有很好的預測性能，在實際建模中，常常會引入一些智能優(yōu)化的方法來挑選出合適的網(wǎng)絡參數(shù)來參與建模。
　　本文主要研究內(nèi)容如下：
　　1.在采用徑向基神經(jīng)網(wǎng)絡來建模時，其中間隱含層節(jié)點個數(shù)以及相關參數(shù)都會對模型的性能產(chǎn)生影響。為此我們選用遺傳算法和粒子群算法來對徑向基神經(jīng)網(wǎng)絡進行優(yōu)化設計。首先需要利用遺傳算法或粒子群算法來確定模型的結構，結構確定好以后再利

2、用該優(yōu)化算法來對徑向基神經(jīng)網(wǎng)絡的參數(shù)進行優(yōu)化，然后進行循環(huán)迭代直至滿足迭代停止條件。最后將得到一個最優(yōu)的神經(jīng)網(wǎng)絡模型。這種先確定結構再確定參數(shù)的方法可認為是一種串行優(yōu)化。
　　2.采用串行優(yōu)化的方法所建立的模型的運算速度比較慢，因為該方法需要用遺傳算法或粒子群算法分別產(chǎn)生兩個種群，一個用于確定模型的輸入變量的個數(shù)和網(wǎng)絡中間隱含層節(jié)點個數(shù)，另一個用于實現(xiàn)對網(wǎng)絡參數(shù)的優(yōu)化，而且優(yōu)化也是分開進行的。為了提高模型的運算效率，我們提出一種并